Each language version is independently generated for its own context, not a direct translation.
这篇论文讲述了一个关于如何更聪明、更安全地利用老旧电力变压器的故事。
想象一下，你家里的老式保险丝（或者现在的空气开关）。它的作用很明确：当电流太大时，它会自动跳闸断电，防止电线过热起火。
但在电力公司眼里，这些保护设备就像是一个过于谨慎的保安。
- 现状：这个保安非常保守，只要电流稍微大一点点，或者天气稍微热一点，他就觉得“太危险了”，立刻拉闸断电。
- 问题：实际上，变压器（电力系统的“心脏”）在很多时候完全有能力承受更大的负荷。因为保安太胆小，导致变压器经常“吃不饱”，电力公司的扩容成本又很高，买新变压器太慢太贵。
- 目标：我们需要一个更聪明的保安，他既能保护变压器不烧坏，又能让变压器在安全范围内“多吃一点”，多送电。
这篇论文做了什么？
作者提出了一种基于“风险预测”的动态调整方法。简单来说，就是给这个“保安”装上一个超级天气预报员和风险计算器。
1. 核心比喻：给变压器穿“智能温控衣”
传统的变压器保护是“死板”的：设定一个固定的电流上限，超过就跳闸。
这篇论文的方法则是“动态”的：
- 看天气：如果明天很冷，变压器散热好，保安就可以大胆一点，允许电流大一点。
- 看负荷：如果明天大家用电习惯有变化，保安也能提前调整。
- 看风险：保安不再说“绝对不行”，而是说“如果我们把电流上限提高 10%，那么变压器过热的风险只有 5%"。
2. 他们是怎么做到的？（三步走）
第一步：给变压器“分班”（聚类）
电力公司有成千上万个变压器，每个都不一样。如果给每个变压器单独训练一个模型，数据不够，容易“死记硬背”（过拟合）。
- 比喻：就像学校里的老师，不会给每个学生单独编一套教材，而是把性格、成绩相似的学生分到一个班级。论文把 644 个变压器分成了几个“班级”，每个班级共用一套“智能策略”。
第二步：直接预测“最佳开关”（概率预测）
以前的方法是：先预测明天的用电量 -> 再算出变压器温度 -> 最后算出开关该设多少。这就像绕了三个弯，每绕一个弯，误差就大一点，最后算出来的结果可能不准。
- 创新：这篇论文跳过中间步骤，直接训练 AI 预测“明天开关应该设到多少”。
- 比喻：以前是问“明天天气怎么样？-> 明天穿什么衣服？-> 明天会不会冷？”；现在是直接问“明天穿几度数的衣服最安全？”
第三步：用“概率”来定风险
这是最精彩的部分。AI 不会只给一个数字，而是给出一组概率。
- 比喻：AI 会告诉你：“如果我们把开关调高到 1.1 倍，有 95% 的概率变压器是安全的，只有 5% 可能会过热。”
- 决策：电力公司（DNO）可以根据自己的胆量来选：
- 保守派：选 2% 的风险（只允许极小的提升），确保绝对安全。
- 激进派：选 50% 的风险（允许一半概率过热），换取最大的电力输送能力。
- 结果：通过这种灵活调整，论文发现变压器能多送出 10% 到 12% 的电，而且过热风险完全可控，就像你开车时根据路况调整车速，既快又安全。
为什么这很重要？
- 省钱省时间：不需要花大价钱买新变压器，也不需要等漫长的供货期，直接挖掘旧设备的潜力。
- 应对未来：随着电动汽车和热泵的普及，未来用电需求会暴增。这种“动态扩容”是解决电力短缺的捷径。
- 安全可控：它不是盲目地加大负荷，而是把“风险”量化了。就像开车系安全带，你可以根据路况决定开多快，但心里清楚发生事故的概率是多少。
总结
这篇论文就像给电力系统的“老保安”装上了AI 大脑。它不再是一刀切地拉闸，而是根据天气、负载和历史数据，实时计算出一个“最安全的最大负荷”。
它让电力公司可以在不牺牲安全的前提下，多卖电、多赚钱，并且把“风险”变成了一个可以像调节音量一样随意控制的旋钮。这就是所谓的“基于风险的动态热额定值”。
Each language version is independently generated for its own context, not a direct translation.
基于概率预测的配电变压器风险动态热额定值技术总结
1. 研究背景与问题陈述 (Problem)
随着到低压（LV）配电网络的需求加速增长（预计 2050 年增长 50-100%），配电变压器的更换周期延长且成本上升，使得提高现有资产利用率变得至关重要。然而，现有的配电变压器保护设备（如熔断器、微型断路器）通常采用静态且保守的保护策略，限制了变压器的可用容量，导致变压器容量往往受限于保护政策而非实际的热极限。
虽然动态热额定值（DTR）技术允许根据实时或预测条件调整负载限制，但在低压网络中应用面临以下挑战：
- 缺乏监测与灵活性：低压变压器通常缺乏直接的热点温度监测，且保护设备（PDs）简单，难以实现自动化调整。
- 现有方法的局限性：
- 传统的 DTR 依赖人工干预，无法应对数十万台变压器的规模化管理。
- 现有的继电保护优化多关注故障保护或基于确定性负荷预测，缺乏针对变压器热条件的特异性。
- 误差传播问题：若通过“负荷预测 -> 计算热模型 -> 推导保护定值”的多阶段方法，会因多次预测导致误差累积，降低准确性。
- 风险量化缺失：缺乏一种能够直接量化过热风险并指导运行决策的概率框架。
2. 方法论 (Methodology)
本文提出了一种基于概率预测的框架，用于直接预测配电变压器保护设备的日前最优比例系数（Scale Factor, k），从而在控制过热风险的前提下最大化变压器容量。
2.1 核心概念
- 自适应保护设备：利用可调节的数值继电器（Numerical Relays），通过调整比例系数 k 来改变跳闸电流阈值。
- 风险定义：设定热点温度阈值为 140°C（绝缘气泡形成临界点）。通过选择预测的分位数（Percentile）来直接控制超过该阈值的概率（例如，选择第 5 百分位意味着有 5% 的概率超过限制）。
- 直接预测策略：摒弃传统的“先预测负荷，再计算定值”的多阶段方法，直接利用历史数据训练模型，直接预测最优比例系数 k。这避免了中间步骤的误差累积。
2.2 技术流程
热模型与保护建模：
- 采用 IEEE 热模型 估算热点温度（θH），考虑了负载不平衡（将负载因子分为绕组和顶层油两部分）。
- 使用双时间常数模型模拟继电器的跳闸逻辑，计算在给定 k 值下的跳闸电流。
- 通过回溯算法（Brent 方法）计算历史数据中使热点温度恰好为 140°C 的最优 k 值，作为训练标签。
数据聚类 (Clustering)：
- 为了解决单台变压器数据稀缺和过拟合问题，同时捕捉变压器间的差异性，采用 K-means 聚类 将 644 台变压器分组。
- 聚类特征包括历史负荷、变压器元数据（额定功率、客户数等）。
- 通过主成分分析（PCA）和岭回归预处理数据，选择最佳聚类方案。
概率预测模型：
- 使用 LightGBM 算法进行分位数回归（Quantile Regression）。
- 输入特征：历史负荷（峰值/非峰值）、日历特征（工作日/节假日）、环境温度（含指数加权移动平均）、变压器元数据。
- 训练策略：针对每个聚类训练独立的模型，并针对不同的风险分位数（如 2%, 5%, 50%, 95%）分别建模。
- 鲁棒性测试：在训练和预测中引入温度预测噪声（模拟真实天气预报误差，标准差 1.12°C），验证模型对不确定性的适应能力。
3. 关键贡献 (Key Contributions)
- 直接预测比例系数：提出了一种直接预测继电器比例系数 k 的方法，而非间接通过负荷预测推导。这显著减少了误差传播，提高了预测精度。
- 基于风险的概率框架：建立了预测分位数与过热风险之间的直接映射关系。配电网络运营商（DNO）可根据自身的风险偏好（Risk Appetite）选择分位数，从而在容量增益和过热风险之间进行直观权衡。
- 可扩展的聚类方法：通过聚类技术解决了大规模变压器群体中数据稀疏和异质性问题，实现了从单台设备到整个资产群的规模化应用。
- 实证验证：利用英国 644 台配电变压器的真实数据进行了验证，证明了该方法在存在天气预报误差情况下的鲁棒性。
4. 研究结果 (Results)
基于 2024/25 年冬季 183 天的数据（644 台变压器，25-1000 kVA）进行的实验得出以下结论：
- 容量增益：与静态设置（k=1.05）相比，采用该方法可获得 10%–12% 的额外容量增益。
- 例如，选择第 2 百分位（保守策略），平均容量提升超过 10%，且热点超限风险仅为 2%。
- 选择第 50 百分位，容量提升约 15.8%，但超限风险接近 50%。
- 模型校准度：
- 直接预测方法的**覆盖率（Coverage）**达到 90%（即真实 k 值落在预测的 5%-95% 区间内的概率），表明概率校准良好。
- 相比之下，基于负荷预测的多阶段方法覆盖率仅为 17%，证实了间接方法因误差累积导致的风险评估严重失真。
- 鲁棒性：即使在引入真实的温度预测误差（92.5% 的预报误差在 2°C 以内）后，模型仍能保持稳健。温度预测误差对 k 值的影响较小（最大误差约 0.017-0.03），运营商可通过选择更保守的分位数来吸收这些误差。
- 风险可控性：热点温度分布与所选分位数高度一致。例如，选择第 5 百分位时，实际热点温度超过 140°C 的比例约为 4.8%，验证了风险量化的准确性。
5. 意义与展望 (Significance)
- 运营价值：为配电网络运营商（DNO）提供了一种实用的自动化工具，使其能够在不更换硬件的情况下，通过调整保护定值来释放现有变压器的潜在容量，延缓资产投资。
- 风险管理：将模糊的“安全裕度”转化为可量化的“概率风险”，使决策更加透明和科学。
- 技术可行性：证明了数值继电器（可 retrofitted）结合概率预测算法是实现低压网络动态热额定值的有效途径。
- 未来方向：研究可进一步探索多年度数据集、更频繁的定值更新策略，以及变压器在接近热极限运行下的累积老化效应和全生命周期成本分析。
总结：该论文提出了一种创新的、基于风险的概率预测方法，能够直接优化配电变压器的保护定值。该方法在显著提升电网容量的同时，通过分位数选择精确控制了过热风险，为未来智能配电网的资产管理提供了重要的理论依据和技术路径。